Scientific Paper Analyzer (Gemini)

FastAPIバックエンドとGradioフロントエンドを組み合わせたMCPの基本アプリケーションで、シンプルなインターフェースを通じてAIモデルとの対話がサポートされ、Google Gemini APIを統合して論文検索と分析機能を実現しています。

研究とデータ人工知能チャットボット #AI対話 #論文分析 #迅速なデプロイ #MCPサービス .Python

スコア : 2.5ポイント

ダウンロード数 : 20

更新時間 : 2025-04-28

MCPサーバーとは？

MCPサーバーは、Model Context Protocol（MCP）に基づくツールで、AIモデルとの対話に使用されます。シンプルなインターフェースを通じて、ユーザーは科学論文の検索、分析、およびAIとのチャット機能に簡単にアクセスできます。

MCPサーバーの使い方は？

以下の手順ですぐに使い始めることができます：依存関係をインストールする、APIキーを設定する、サーバーを起動してWebインターフェースにアクセスする。

適用シナリオ

学術資料を素早く探したい、またはAIとやり取りしたい研究者や開発者に適しています。

主な機能

科学論文検索Semantic Scholar APIを利用して関連論文を検索し、キーワード検索がサポートされています。

論文分析選択した論文を深く分析し、重要な情報を抽出します。

簡単な会話インターフェース使いやすいインターフェースを通じて、AIモデルと自然言語で交流できます。

利点と制限

利点

インストールと設定が簡単

インターフェースが使いやすく、非技術者にも適している

複数の機能の統合がサポートされている

制限

一部の高度な機能はAPIの制限を受ける可能性があります。

安定したネットワーク接続が必要です。

使い方

プロジェクトリポジトリをクローンする

以下のコマンドを実行して、プロジェクトをローカルにクローンします：`git clone https://github.com/yourusername/basic-mcp-app.git`。

仮想環境を作成する

Pythonの仮想環境を作成してアクティブ化します：`python -m venv venv && source venv/bin/activate`。

依存関係をインストールする

pipまたはuvを使用して依存パッケージをインストールします：`pip install -r requirements.txt` または `uv pip install -r requirements.txt`。

APIキーを設定する

`.env.example` ファイルをコピーして、あなたのAPIキーを入力します：`cp .env.example .env`。

サーバーを起動する

スクリプトを実行して、バックエンドとフロントエンドを起動します：`python run.py`。

使用例

例1：論文検索「量子計算」などのキーワードを入力して、関連する論文のリストを取得します。

例2：AIとの会話「こんにちは、今日の天気はどうですか？」などの質問をAIに投げかけます。

よくある質問

レート制限の問題をどう解決すればいいですか？

なぜ一部の論文が見つからないのですか？

🚀 基礎 MCP アプリケーション

このアプリケーションは、FastAPI と Gradio を使用して、モデルコンテキストプロトコル（MCP）の仕組みを簡単に示すものです。Streamlit は使いにくいと感じていたため、この代替手段を選びました。

🚀 クイックスタート

必要な準備

Python 3.11 以上（Python 2 を使っている方は申し訳ありません）
pip パッケージマネージャー（もしくは、より高速な uv）
忍耐（オプションですが、推奨します。RCB のようなものです。Google で検索してみてください）

セットアップ手順

リポジトリをクローンする：

git clone https://github.com/your-repository.git
cd basic-mcp-app

依存関係をインストールする：
```
pip install -r requirements.txt
```
バックエンドサーバーを起動する：
```
python backend/main.py
```
Gradio フロントエンドを起動する：
```
python frontend/app.py
```

✨ 主な機能

Semantic Scholar を使った科学論文の検索（Google アカデミックはあまりに主流なので）
論文分析ツール（60%の確率で正常に動作します）
シンプルなチャットインターフェース（ユーザーにとっては簡単ですが、開発者にとっては苦労しました）
簡単なインストール手順（エベレストを登ったことがある人にとっては、公園を散歩するようなものです）

📦 インストール

このプロジェクトは、超高速な Python パッケージインストールツールである uv と一緒に使用するのに最適です！pip が何世紀もかかるのを待つ代わりに、uv を使って数秒で依存関係をインストールできます。スムーズな体験を得るために強くおすすめします（そして、グローバル依存関係から数時間を取り戻しましょう）。

📚 ドキュメント

プロジェクト概要

このプロジェクトは、Gradio フロントエンドを備えた基本的な MCP サーバーをデモしています（Streamlit は使いにくいので、人生は短く、無駄な苦痛に耐えるほどの時間はありません）。ユーザーは「シンプルなインターフェース」を通じて AI モデルとチャットできます（マーケティング担当者は「シンプルなインターフェース」と呼んでいますが、開発者は「時間と忍耐が限られているので、できる限りのことをしています 🥲」と知っています）。

技術スタック

バックエンド：FastAPI + MCP Python SDK（ピザの上にパイナップルを載せるようなものではありません）
フロントエンド：Gradio（きれいなボタンがドーパミンを分泌させます）
AI 統合：Google Gemini API（占星術の記号ではなく、Sundar Pichai の人工知能のことです）

🔧 技術詳細

既知の問題

⚠️ 重要提示

引用ツールは現在正常に動作していません。論文の引用を分析しようとすると、または一部の高度な検索機能を使用しようとすると、エラーが発生する可能性があります。私はこの問題を修正するために努力しています。いつ修正できるかはわかりません ¯\_(ツ)_/¯。おそらく、AGI（人工一般知能）が実現されたときでしょう。

Semantic Scholar API にはレート制限があり、これにより検索機能が「私は直接検索して論文を提供することはできません」というエラーメッセージを返すことがあります。これは、無料の API が熱心なユーザーに出会った結果です。私たちはそれらを愛しすぎています。少し休憩してからもう一度試してみてください（または、レート制限がリセットされるのを待っている間にコーヒーを飲んでみてください）。

プロジェクト構造

Basic MCP App
├── backend/
│   └── main.py          # バックエンドサーバーのコード。MCP が実装されています。
└── frontend/
    └── app.py           # Gradio フロントエンドのコード。きれいなボタンがあります。